Back to list

Statistique et causalité


Authors : BERTRAND Frédéric

BERTRAND Frédéric

, SAPORTA Gilbert

SAPORTA Gilbert

Ph.D. in mathematics

Position:
Professor at the Conservatoire National des Arts et Métiers (An higher public institution for life-long training - France)

Field of publication:
Statistics

Author of more than 100 scientific papers, Pr. Saporta published and co-authored 15 titles:
- Probabilités, analyse des données et statistiques (Ed. Technip)
- Plans d’expériences. Applications à l’entreprise (Ed. Technip)
- Méthodes bayesiennes en statistique (Ed. Technip)
- Modèles statistiques pour données qualitatives (Ed. Technip)
- Analyse statistique des données spatiales  (Ed. Technip)
- Analyse statistique des données longitudinales  (Ed. Technip)
- Approches non paramétriques en régression  (Ed. Technip)
- Modèles à variables latentes et modèles de mélange  (Ed. Technip)
- Approches statistiques du risque  (Ed. Technip)
- Méthodes robustes en statistique  (Ed. Technip)
- The Multiple Facets of Partial Least Squares Methods (Springer)
- Model Choice and Model Aggregation (Ed. Technip)
- L’analyse des données (PUF)
- Multivariate Quality Control (Physica Verlag)
- Apprentissage statistique et données massives (Ed. Technip)

Complementary information:
Pr. Saporta is president of the International Association for Statistical Computing and vice president of the International Statistical Institute
Home page : http://cedric.cnam.fr/~saporta/

, THOMAS-AGNAN Christine

THOMAS-AGNAN Christine

Université Toulouse 1 - Capitole


ISBN : 9782710811930
trade paperback      16 x 24 cm      296 pages
Publication date : September 2021

Around the book


À l’exception notable des essais contrôlés et randomisés, la statistique a longtemps évacué le problème de la causalité considérant qu’il relevait du domaine d’application et des théories afférentes. Bien souvent les cours et les manuels de statistique se contentent de rappeler que corrélation n’est pas causalité et passent rapidement à d’autres sujets. Or, que ce soit en économie, épidémiologie, génétique, médecine, marketing, pour ne citer que quelques domaines, la recherche de modèles causaux et de variables actionnables est incontournable. Aujourd’hui la mise à disposition de données massives ou de grande dimension repose la question de la causalité de manière aigüe.

 

Dans le prolongement des travaux pionniers de Granger (prix Nobel d’économie en 2003), Pearl (prix Turing en 2011), Rosenbaum et Rubin, pour ne nommer qu'eux, une très large palette de modèles et méthodes pour l'analyse causale, éventuellement hors d'une expérience contrôlée, s'est peu à peu constituée depuis le début des années 1980. Citons entre autres les thèmes suivants : issues potentielles, données contrefactuelles, scores de propension, double-robustesse, diagramme de causalité, réseaux bayésiens, systèmes d'équations structurelles.

 

Cet ouvrage est le fruit de la collaboration entre spécialistes réputés : Léon Bottou (Facebook AI Research), Antoine Chambaz (université de Paris), Daniel Commenges (Institut national de la santé et de la recherche médicale), Isabelle Drouet (université Paris-Sorbonne), Ron Kenett (KPA Group), Vivian Viallon (International Agency for Research on Cancer) réunis à l’occasion des 18e Journées d’étude en statistique organisées par la SFdS. Le lecteur y trouvera une synthèse des fondements et des travaux les plus récents dans le domaine de la causalité statistique, avec des applications dans des domaines variés.


Contents :


1. La causalité en philosophie et en sciences 18e - 21e siècles. 2. L'échelle de la causalité : allégorie et formalisation. 3. Effets directs et indirects. 4. Les réseaux bayésiens en pratique. 5. Approche dynamique de la causalité. 6. Causalité et apprentissage automatique. 7. Une introduction à l'apprentissage ciblé. Bibliographie. Index.